生物信息学认识

浅谈生物信息学

一、 生物信息学产生的背景

有人说，基于序列的生物学时代已经到来，尽管对“序列生物学”这一提法可能有所争议，但是今日像潮水般涌现的序列信息却是无可争辩的事实。自从1990年美国启动人类基因组计划以来，人与模式生物基因组的测序工作进展极为迅速。迄今已完成了约40多种生物的全基因组测序工作，人基因组约3x109碱基对的测序工作也接近完成。至2000年6月26日，被誉为生命“阿波罗计划”的人类基因组计划，经过美、英、日、法、德和中国科学家的艰苦努力，终于完成了工作草图，这是人类科学世上又一个里程碑式的事件。它预示着完成人类基因组计划已经指日可待。截止目前为止，仅登录在美国GenBank数据库中的DNA序列总量已超过70亿碱基对。在人类基因组计划进行过程中所积累起来的技术和经验，使得其它生物基因组的测序工作可以完成得更快捷。可以预计，今后DNA序列数据的增长将更为惊人。生物学数据的积累并不仅仅表现在DNA序列方面，与其同步的还有蛋白质的一级结构，即氨基酸序列的增长。此外，迄今为止，已有一万多种蛋白质的空间结构以不同的分辨率被测定。基于cDNA序列测序所建立起来的EST数据库其纪录已达数百万条。在这些数据基础上派生、整理出来的数据库已达500余个。这一切构成了一个生物学数据的海洋。可以打一个比方来说明这些数据的规模。有人估计，人类（包括已经去世的和仍然在世的）所说过的话的信息总量约为5唉字节（1唉字节等于1018字节）。而如今生物学数据信息总量已接近甚至超过此数量级。这种科学数据的急速和海量积累，在人类的科学研究历史中是空前的。

数据并不等于信息和知识，但却是信息和知识的源泉，关键在于如何从中挖掘它们。与正在以指数方式增长的生物学数据相比，人类相关知识的增长（粗略地用每年发表的生物、医学论文数来代表）却十分缓慢。一方面是巨量的数据；另一方面是我们在医学、药

物、农业和环保等方面对新知识的渴求，这些新知识将帮助人们改善其生存环境和提高生活质量。这就构成了一个极大的矛盾。这个矛盾就催生了一门新兴的交叉科学，这就是生物信息学。美国人类基因组计划实施五年后的总结报告中，对生物信息学作了以下定义：生物信息学是一门交叉科学，它包含了生物信息的获取、处理、存储、分发、分析和解释等在内的所有方面，它综合运用数学、计算机科学和生物学的各种工具，来阐明和理解大量数据所包含的生物学意义。生物信息学这一名词的出现仅仅是几年前的事情，但是计算生物学这一名词的出现要早的多。鉴于这两门学科之间并没有或难以界定严格的分界线，在这里统称为生物信息学。

生物信息学是二十世纪80年代末随着基因组测序数据迅猛增加而逐渐形成的一门交叉学科。随着生物学和医学的迅速发张，特别市人类基因组计划的顺利推进，产生了海量的生物学数据，特别是生物分子数据的积累速度在不断地快速增加。这些数据具有丰富的内涵，其中隐藏着丰富的生物学知识。充分利用这些数据，通过数据分析、处理，揭示这些数据的内涵，得到对人类有用的信息，这将是生物学家和数学家所面临的一个严峻的挑战。生物信息学是为迎接这种挑战而发展起来的一个交叉学科。

二、基因库

生物信息学是建立在分子生物学的基础上的，因此，要了解生物信息学，就必须先对分子生物学的发展有一个简单的了解。研究生物细胞的生物大分子的结构与功能很早就已经开始，1866年孟德尔从实验上提出了假设：基因是以生物成分存在，1871年Miescher从死的白细胞核中分离出脱氧核糖核酸（DNA），在Avery和McCarty于1944年证明了DNA是生命器官的遗传物质以前，人们仍然认为染色体蛋白质携带基因，而DNA是一个次要的角色。1944年Chargaff发现了著名的Chargaff规律，即DNA中鸟嘌呤的量与胞嘧定的量总是相等，腺嘌呤与胸腺嘧啶的量相等。与此同时，Wilkins与Franklin用X射

线衍射技术测定了DNA纤维的结构。1953年James Watson 和FrancisCrick在Nature杂志上推测出DNA的三维结构（双螺旋）。DNA以磷酸糖链形成发双股螺旋，脱氧核糖上的碱基按Chargaff规律构成双股磷酸糖链之间的碱基对。这个模型表明DNA具有自身互补的结构，根据碱基对原则，DNA中贮存的遗传信息可以精确地进行复制。他们的理论奠定了分子生物学的基础。DNA双螺旋模型已经预示出了DNA复制的规则，Kornberg于1956年从大肠杆菌（E.coli）中分离出DNA聚合酶I（DNA polymerase I），能使4种dNTP连接成DNA。DNA的复制需要一个DNA作为模板。Meselson与Stahl（1958）用实验方法证明了DNA复制是一种半保留复制。Crick于19年提出了遗传信息传递的规律，DNA是合成RNA的模板，RNA又是合成蛋白质的模板，称之为中心法则（Central dogma），这一中心法则对以后分子生物学和生物信息学的发展都起到了极其重要的指导作用。经过Nirenberg和Matthai（1963）的努力研究，编码20氨基酸的遗传密码得到了破译。性内切酶的发现和重组DNA的克隆（clone）奠定了基因工程的技术基础。正是由于分子生物学的研究对生命科学的发展有巨大的推动作用，生物信息学的出现也就成了一种必然。2001年2月，，人类基因组工程测序的完成，使生物信息学走向了一个高潮。由于DNA自动测序技术的快速发展，DNA数据库中的核酸序列公共数据量以每天106bp速度增长，生物信息迅速地膨胀成数据的海洋。毫无疑问，我们正从一个积累数据向解释数据的时代转变，数据量的巨大积累往往蕴含着潜在突破性发现的可能，\"生物信息学\"正是从这一前提产生的交叉学科。粗略地说，该领域的核心内容是研究如何通过对DNA序列的统计计算分析，更加深入地理解DNA序列，结构，演化及其与生物功能之间的关系，其研究课题涉及到分子生物学，分子演化及结构生物学，统计学及计算机科学等许多领域。生物信息学是内涵非常丰富的学科，其核心是基因组信息学，包括基因组信息的获取，处理，存储，分配和解释。基因组信息学的关键是\"读懂\"基因组的核苷酸顺序，即全部基因在染色体上的确切位置以及各DNA片段的功能；同时在发现了新基因信息之后进行蛋白质空间结构模拟和预测，然后依据特定蛋白质的功能进行药物设计。了解基因表达的机理也是生物信息学的重要内容，根据生物分子在基因中的作用，描述人类疾

病的诊断，治疗内在规律。它的研究目标是揭示\"基因组信息结构的复杂性及遗传语言的根本规律\"，解释生命的遗传语言。生物信息学已成为整个生命科学发展的重要组成部分，成为生命科学研究的前沿。

《Nucleic Acids Research》杂志连续七年在其每年的第一期中详细介绍最新版本的各种数据库。在2000年1月1日出版的28卷第一期中详细地介绍了115种通用和专用数据库，包括其详尽描述和访问网址。迄今为止，生物学数据库总数已达500个以上。在DNA序列方面有GenBank、EMBL和DDBJ等。在蛋白质一级结构方面有SWISS-PROT、PIR和MIPS等。在蛋白质和其它生物大分子的结构方面有PDB等。在蛋白质结构分类方面有SCOP和CATH等。

基因组数据库是分子生物信息数据库的重要组成部分。基因组数据库内容丰富、名目繁多、格式不一，分布在世界各地的信息中心、测序中心、以及和医学、生物学、农业等有关的研究机构和大学。基因组数据库的主体是模式生物基因组数据库，其中最主要的是由世界各国的人类基因组研究中心、测序中心构建的各种人类基因组数据库。小鼠、河豚鱼、拟南芥、水稻、线虫、果蝇、酵母、大肠杆菌等各种模式生物基因组数据库或基因组信息资源都可以在网上找到。随着资源基因组计划的普遍实施，几十种动物、植物基因组数据库也纷纷上网，如英国Roslin研究所的ArkDB包括了猪、牛、绵羊、山羊、马等家畜以及鹿、狗、鸡等基因组数据库，美国、英国、日本等国的基因组中心的斑马鱼、罗非鱼(Tilapia)、青鳉鱼(Medaka)、鲑鱼(Salmon)等鱼类基因组数据库。英国谷物网络组织(CropNet)建有玉米、大麦、高粱、菜豆农作物以及苜蓿(Alfalfa)、牧草(Forage)、玫瑰等基因组数据库。除了模式生物基因组数据库外，基因组信息资源还包括染色体、基因突变、遗传疾病、分类学、比较基因组、基因和表达、放射杂交、基因图谱等各种数据库。

美国基因组研究所TIGR的TDB数据库包括DNA及蛋白质序列、基因表达、细胞功

能以及蛋白质家族信息等，并收录有人、植物、微生物等的分类信息，是一套大型综合数据库。此外，该数据库还包括一个模式生物基因组信息库，收录了TIGR世界各地微生物基因组信息，包括致Lyme病螺旋体（B. Burgdorferi）、流感嗜血菌（H. Influenzae）、幽门螺杆菌（H. Pylori）和生殖道支原体（M. genitalium）等，以及寄生虫数据库(T. brucei P. falciparum)，人、鼠、水稻、拟南芥（A. Thaliana）等基因组信息资源，其中有些数据可以由TIGR的FTP站点下载。

GenBank核酸序列数据库涵盖了从完整基因组到单个基因等序列数据及部分注释信息，称一次数据库。此外，还有些更有针对性的基因组资源，或称专用数据库。这些专用数据库既包括了上述一次数据库的部分数据，也包括从其它数据库资源获得的信息或交叉链接。这种专门数据库主要分为两大类，一类是模式生物基因组数据库，另一类则与特殊的测序技术有关。这类数据库尽管也包含序列数据，但它们的特色主要是为某一特定的模式生物提供一个完整的数据资源，如酵母（Saccharomyces cerevisiae）、线虫（Caenorhabditis elegans）、果蝇（Drosophila melanogaster）、拟南芥（Arabidopsis thaliana）、幽门螺杆菌（Helicobacter pylori）等。这些数据库从各个不同层次上搜集整理有关信息，以便对某个模式生物全基因组有一个更加完整的了解。

四、生物信息学的主要研究内容

生物信息学主要包括以下几个主要研究领域，但是限于篇幅，这里仅列出其名称并只做简单介绍。

1、序列比对（Alignment）

基本问题是比较两个或两个以上符号序列的相似性或不相似性。序列比对是生物信息

学的基础，非常重要。两个序列的比对有较成熟的动态规划算法，以及在此基础上编写的比对软件包——BALST和FASTA，可以免费下载使用。这些软件在数据库查询和搜索中有重要的应用。有时两个序列总体并不很相似，但某些局部片断相似性很高。Smith-Waterman算法是解决局部比对的好算法，缺点是速度较慢。两个以上序列的多重序列比对目前还缺乏快速而又十分有效的算法。

2、结构比对

基本问题是比较两个或两个以上蛋白质分子空间结构的相似性或不相似性。已有一些算法。

3、蛋白质结构预测，包括2级和3级结构预测，是最重要的课题之一

从方法上来看有演绎法和归纳法两种途径。前者主要是从一些基本原理或假设出发来预测和研究蛋白质的结构和折叠过程。分子力学和分子动力学属这一范畴。后者主要是从观察和总结已知结构的蛋白质结构规律出发来预测未知蛋白质的结构。同源模建和指认（Threading）方法属于这一范畴。虽然经过30余年的努力，蛋白结构预测研究现状远远不能满足实际需要。

4、计算机辅助基因识别(仅指蛋白质编码基因)

基本问题是给定基因组序列后，正确识别基因的范围和在基因组序列中的精确位置.这是最重要的课题之一，而且越来越重要。经过20余年的努力，提出了数十种算法，有十种左右重要的算法和相应软件上网提供免费服务。原核生物计算机辅助基因识别相对容易些，结果好一些。从具有较多内含子的真核生物基因组序列中正确识别出起始密码子、剪

切位点和终止密码子，是个相当困难的问题，研究现状不能令人满意，仍有大量的工作要做。

5、非编码区分析和DNA语言研究，是最重要的课题之一

在人类基因组中，编码部分进展总序列的3~5%，其它通常称为“垃圾”DNA，其实一点也不是垃圾，只是我们暂时还不知道其重要的功能。分析非编码区DNA序列需要大胆的想象和崭新的研究思路和方法。DNA序列作为一种遗传语言，不仅体现在编码序列之中，而且隐含在非编码序列之中。

6、分子进化和比较基因组学，是最重要的课题之一

早期的工作主要是利用不同物种中同一种基因序列的异同来研究生物的进化，构建进化树。既可以用DNA序列也可以用其编码的氨基酸序列来做，甚至于可通过相关蛋白质的结构比对来研究分子进化。以上研究已经积累了大量的工作。近年来由于较多模式生物基因组测序任务的完成，为从整个基因组的角度来研究分子进化提供了条件。可以设想，比较两个或多个完整基因组这一工作需要新的思路和方法，当然也渴望得到更丰硕的成果。这方面可做的工作是很多的。

7、序列重叠群（Contigs）装配

一般来说，根据现行的测序技术，每次反应只能测出500 或更多一些碱基对的序列，这就有一个把大量的较短的序列全体构成了重叠群（Contigs）。逐步把它们拼接起来形成序列更长的重叠群，直至得到完整序列的过程称为重叠群装配。拼接EST数据以发现全长新基因也有类似的问题。已经证明，这是一个NP-完备性算法问题。

8、遗传密码的起源

遗传密码为什么是现在这样的？这一直是一个谜。一种最简单的理论认为，密码子与氨基酸之间的关系是生物进化历史上一次偶然的事件而造成的，并被固定在现代生物最后的共同祖先里，一直延续至今。不同于这种“冻结”理论，有人曾分别提出过选择优化、化学和历史等三种学说来解释遗传密码。随着各种生物基因组测序任务的完成，为研究遗传密码的起源和检验上述理论的真伪提供了新的素材。

9、基于结构的药物设计

人类基因组计划的目的之一在于阐明人的约10万种蛋白质的结构、功能、相互作用以及与各种人类疾病之间的关系，寻求各种治疗和预防方法，包括药物治疗。基于生物大分子结构的药物设计是生物信息学中的极为重要的研究领域。为了抑制某些酶或蛋白质的活性，在已知其3级结构的基础上，可以利用分子对接算法，在计算机上设计抑制剂分子，作为候选药物。这种发现新药物的方法有强大的生命力，也有着巨大的经济效益。

10、其他

如基因表达浦分析，代谢网络分析；基因芯片设计和蛋白质组学数据分析等，逐渐成为生物信息学中新兴的重要研究领域。这里不再赘述。

五、生物信息学的新技术

（一）Lipshutz(Affymetrix,Santa clara,CA,USA)

描述了一种利用DNA探针阵列进行基因组研究的方法，其原理是通过更有效有作图、

表达检测和多态性筛选方法，可以实现对人类基因组的测序。光介导的化学合成法被应用于制造小型化的高密度寡核苷酸探针的阵列，这种通过软件包件设计的寡核苷酸探针阵列可用于多态性筛查、基因分型和表达检测。然后这些阵列就可以直接用于并行DNA杂交分析，以获得序列、表达和基因分型信息。Milosavljevic(CuraGen, Branford, CT, USA)介绍了一种新的基于专用定量表达分析方法的基因表达检测系统，以及一种发现基因的系统GeneScape。为了有效地抽样表达，特意制作片段模式以了解特定基因的子序列的发生和冗余程度。他在酵母差异基因表达的大规模研究中对该技术的性能进行了验证，并论述了技术在基因的表达、生物学功能以及疾病的基础研究中的应用。

（二）基因的功能分析

Overton(University of Pennsylvania School of Medicine,Philadelphia,PA,USA)论述了人类基因组计划的下一阶段的任务基因组水平的基因功能分析。这一阶段产生的数据的分析、管理和可视性将毫无疑问地比第一阶段更为复杂。他介绍了一种用于脊椎动物造血系统红系发生的功能分析的原型系统E-poDB，它包括了用于集成数据资源的Kleisli系统和建立internet或intranet上视觉化工具的bioWidget图形用户界面。EpoDB有可能指导实验人员发现不可能用传统实验方法得到的红系发育的新的药物靶，制药业所感兴趣的是全新的药物靶，EpoDB提供了这样一个机会，这可能是它最令人激动的地方。

Babbitt(University of California,San Francisco,CA,USA)讨论了通过数据库搜索来识别远缘蛋白质的方法。对蛋白质超家族的结构和功能的相互依赖性的理解，要求了解自然所塑造的一个特定结构模板的隐含。蛋白质结构之间的最有趣的关系经常在分歧的序列中得以表现，因而区分得分低（low-scoring）但生物学关系显著的序列与得分高而生物学关系较不显著的序列 是重要的。Babbit证明了通过使用BLAST检索，可以在数据库搜索所得的低得分区识别远缘关系（distant relationship）。Levitt(Stanford

univeersity,Palo Alto,CA,USA)讨论了蛋白质结构预测和一种仅从序列数据对功能自动模建的方法。基因功能取决于基因编码的蛋白质的三级结构，但数据库中蛋白质序列的数目每18个月翻一番。为了确定这些序列的功能，结构必须确定。同源模建和从头折叠（ab initio folding）方法是两种现有的互为补充的蛋白质结构预测方法；同源模建是通过片段匹配（segment matching）来完成的，计算机程弃SegMod就是基于同源模建方法的。

（三）新的数据工具

Letovsky(Johns hopkins University,Baltimore,MD,USA)介绍了GDB数据库，它由每条人类染色体的许多不同图谱组成，包括细胞遗传学、遗传学、放射杂交和序列标签位点（STS）的内容，以及由不同研究者用同种方法得到的图谱。就位置查询而言，如果不论其类型（type）和来源（source），或者是否它们正好包含用以批定感兴趣的区域的标志（markers），能够搜索所有图谱是有用的。为此目的，该数据库使用了一种公用坐标系统（common coordinate system）来排列这些图谱。数据库还提供了一张高分辨率的和与其他图谱共享许多标志的图谱作为标准。共享标志的标之间的对应性容许同等于所有其它图谱的标准图谱的分配。

Candlin(PE applied Biosystems,Foster City,CA,USA)介绍了一种新的存储直接来自ABⅠPrism dNA测序仪的数据的关系数据库系统BioLIMS。该系统可以与其它测序仪的数据集成，并可方便地与其它软件包自动调用，为测序仪与序列数据的集成提供了一种开放的、可扩展的生物信息学平台。

七、展望与建议

生物学是生物信息学的核心和灵魂，数学与计算机技术则是它的基本工具。这一点必

须着重指出。预测生物信息学的未来主要就是要预测他对生物学的发展将带来什么样的根本性的突破。这种预测是十分困难的，甚至几乎不可能。但是人类科学研究史表明，科学数据的大量积累将导致重大的科学规律的发现。例如：对数百颗天体运行数据的分析导致了开普勒三大定律和万有引力定律的发现；数十种元素和上万种化合物数据的积累导致了元素周期表的发现；氢原子光谱学数据的积累促成了量子理论的提出，为量子力学的建立奠定了基础。历史的经验值得注意，有理由认为，今日生物学数据的巨大积累也将导致重大生物学规律的发现。生物信息学的发展在国内、外基本上都处在起步阶段，所拥有的条件也大体相同，即使我国有关条件差一些，但差别也不大。因此，这是我国生物学赶超国际先进水平的一个百年一遇的极好机会。机不可失，时不再来，鉴于生物信息学在我国生物信息学和经济发展中的重要意义和其发展的紧迫性，因此，由国家出面组织全国的力量，搞个类似“两弹一星”那样的，但是，规模要小的多，花钱也少的多的生物信息学发展计划，不是不可以考虑的。要充分发挥与地方，生物学科研究人员等方方面面的积极性。生物信息学研究投资少，见效快，可充分发挥我国智力资源丰富的长处，是特别适合我国国情的一项研究领域。要在大学里建立生物信息学专业，设立硕士点和博士点，培养专门人才。可以组织一大批数学、物理、化学和计算机科技工作者，在自愿的基础上，学习有关的生物学知识，开展多方面的生物信息学研究。经过十几年或更长的时间的努力，逐渐使我国成为生物信息学研究强国，是完全有可能的。

人类基因组计划大事记

 1990年10月

 被誉为生命科学“阿波罗登月计划”的国际人类基因组计划启动。

 1998年5月

 一批科学家在美国罗克威尔组建Celera遗传公司，目标是投入3亿美元，到2001年绘制出完整的人体基因图谱，与国际人类基因组计划展开竞争。

 10月23日

 美国国家人类基因组研究所在美国《Science》（科学）杂志上发表声明说，人类基因组计划的全部测序工作将比原计划提前两年，即在2003年完成。

 1999年3月15日

 英国韦尔科姆基金会宣布，由于科学家加快工作步伐，人类基因组工作草图将提前至2000年完成。

 9月

 中国获准加入人类基因组计划，负责测定人类基因组全部序列的1%，也就是3号染色体上的3000万个碱基对，使中国成为继美、英、日、德、法之后第六个国际人类基因组计划参与国，也是参与这一计划的唯一发展中国家。

 12月1日

 国际人类基因组计划联合研究小组宣布，他们完整地译出人体第22对染色体的遗传密码，这是人类首次成功地完成人体染色体基因完整序列的测定。

 2000年3月14日

 美国总统克林顿和英国首相布莱尔发表联合声明，呼吁将人类基因组研究成果公开，以便世界各国的科学家都能自由地使用这些成果。他们是针对一些私营生物技术公司为了商业利益而与国际人类基因组计划展开竞争，并试图将自己的研究成果申请专利而发出此声明的。

 4月6日

 Celera公司宣布已破译出一名实验者的完整遗传密码。但不少欧美科学家对Celera公司的成果表示质疑，认为该公司的研究“没有提供有关基因序列的长度和完整性的可靠参数”，因而是“有漏洞的”。

 4月末

 我国科学家按照国际人类基因组计划的部署，完成了1%人类基因组的工作框架图。

 5月

 国际人类基因组计划完成时间再度提前，预计从原定的2003年6月提前至2001年6月。

 5月8日

 由德国和日本等国科学家组成的国际科研小组宣布，他们已经基本完成了人体第21对染色体的测序工作。

 6月26日

 各国科学家公布了人类基因组工作草图。